转载于:https://blog.csdn.net/qq_22238533/article/details/78666436
摘要:
在机器学习的分类任务中,我们常用许多的指标,诸如召回率(Recall)、准确率(Precision)、F1值、AUC等。
那么,如果手动计算AUC应该要怎么计算呢?相信大家很多时候都是用写好的库直接计算,可能对AUC计算不太了解,下面这篇文章就简单的概述一下AUC的计算方法。
(注:本文的重点其实不在于阐述什么是AUC。因为网上关于这方面的文章实在太多了。但是对于AUC的计算的文章相对来说少一些)
1.什么是AUC?
相信这个问题很多玩家都已经明白了,简单的概括一下,AUC(are under curve)是一个模型的评价指标,用于分类任务。
那么这个指标代表什么呢?这个指标想表达的含义,简单来说其实就是随机抽出一对样本(一个正样本,一个负样本),然后用训练得到的分类器来对这两个样本进行预测,预测得到正样本的概率大于负样本概率的概率。
![](https://i-blog.csdnimg.cn/blog_migrate/b2b3bb55917e23d4bc1ae3299f3df2c7.png)
具体关于AUC含义的分析推荐以下回答:
2.如何计算AUC?
计算AUC时,推荐2个方法。
方法一:
在有M个正样本,N个负样本的数据集里。一共有M*N对样本(一对样本即,一个正样本与一个负样本)。统计这M*N对样本里,正样本的预测概率大于负样本的预测概率的个数。
![](https://i-blog.csdnimg.cn/blog_migrate/5e29e42d4455afbd6eae890c225251cc.png)
![](https://i-blog.csdnimg.cn/blog_migrate/56259187ff2ea63fa5e5028008e9a1bb.png)
这样说可能有点抽象,我举一个例子便能够明白。
ID | label | pro |
A | 0 | 0.1 |
B | 0 | 0.4 |
C | 1 | 0.35 |
D | 1 | 0.8 |
假设有4条样本。2个正样本,2个负样本,那么M*N=4。即总共有4个样本对。分别是:
(D,B),(D,A),(C,B),(C,A)。
在(D,B)样本对中,正样本D预测的概率大于负样本B预测的概率(也就是D的得分比B高),记为1
同理,对于(C,B)。正样本C预测的概率小于负样本C预测的概率,记为0.
最后可以算得,总共有3个符合正样本得分高于负样本得分,故最后的AUC为
![](https://i-blog.csdnimg.cn/blog_migrate/870541b76b2d7aa84a2fb7ab74779060.png)
在这个案例里,没有出现得分一致的情况,假如出现得分一致的时候,例如:
ID | label | pro |
A | 0 | 0.1 |
B | 0 | 0.4 |
C | 1 | 0.4 |
D | 1 | 0.8 |
同样本是4个样本对,对于样本对(C,B)其I值为0.5。
最后的AUC为
![](https://i-blog.csdnimg.cn/blog_migrate/0a5a01606a900c3ced40eb0adf6bfb50.png)
方法二:
另外一个方法就是利用下面的公式:
![](https://i-blog.csdnimg.cn/blog_migrate/9f5a3c1aca6cef7b63257f9793f6a4e1.png)
这个公式看起来有点吓人,首先解释一下每一个符号的意思:
公式的含义见:
公式解释
![](https://i-blog.csdnimg.cn/blog_migrate/ddf0e8671c23ed5cb36f320df483896f.png)
![](https://i-blog.csdnimg.cn/blog_migrate/706221b4db335406b896c3b39aa56dac.png)
![](https://i-blog.csdnimg.cn/blog_migrate/f56bcbe82c796a1deed5b60ee47e96c6.png)
同样本地,我们用上面的例子。
ID | label | pro |
A | 0 | 0.1 |
B | 0 | 0.4 |
C | 1 | 0.35 |
D | 1 | 0.8 |
ID | label | pro | rank |
A | 0 | 0.1 | 1 |
C | 1 | 0.35 | 2 |
B | 0 | 0.4 | 3 |
D | 1 | 0.8 | 4 |
按照上面的公式,只把正样本的序号加起来也就是只把样本C,D的rank值加起来后减去一个常数项
![](https://i-blog.csdnimg.cn/blog_migrate/9867ba905fd34b06db4a2d7aa5c167bf.png)
即:
,这个答案和我们上面所计算的是一样的。
![](https://i-blog.csdnimg.cn/blog_migrate/ae887f6838211382898d5228f6e32674.png)
这个时候,我们有个问题,假如出现得分一致的情况怎么办?下面举一个例子说明:
ID | label | pro |
A | 1 | 0.8 |
B | 1 | 0.7 |
C | 0 | 0.5 |
D | 0 | 0.5 |
E | 1 | 0.5 |
F | 1 | 0.5 |
G | 0 | 0.3 |
在这个例子中,我们有4个取值概率为0.5,而且既有正样本也有负样本的情况。计算的时候,其实原则就是相等得分的rank取平均值。具体来说如下:
先排序:
ID | label | pro | rank |
G | 0 | 0.3 | 1 |
F | 1 | 0.5 | 2 |
E | 1 | 0.5 | 3 |
D | 0 | 0.5 | 4 |
C | 0 | 0.5 | 5 |
B | 1 | 0.7 | 6 |
A | 1 | 0.8 | 7 |
这里需要注意的是:相等概率得分的样本,无论正负,谁在前,谁在后无所谓。
由于只考虑正样本的rank值:
对于正样本A,其rank值为7
对于正样本B,其rank值为6
对于正样本E,其rank值为(5+4+3+2)/4
对于正样本F,其rank值为(5+4+3+2)/4
最后我们得到:
![](https://i-blog.csdnimg.cn/blog_migrate/a3998320724b5c4273bb79e3bfb9563a.png)
3.最后的最后,如何用程序验证?
为了方便,我们使用sk-learn里面自带的库来简单的验证一下我们的例子。![](https://i-blog.csdnimg.cn/blog_migrate/9a186c083890c246e367e5ff7bce3624.png)
其python的代码
-
import numpy
as np
-
from sklearn.metrics
import roc_auc_score
-
y_true = np.array([
1,
1,
0,
0,
1,
1,
0])
-
y_scores = np.array([
0.8,
0.7,
0.5,
0.5,
0.5,
0.5,
0.3])
-
print
"y_true is ",y_true
-
print
"y_scores is ",y_scores
-
print
"AUC is",roc_auc_score(y_true, y_scores)
-
-
-
y_true = np.array([
0,
0,
1,
1])
-
y_scores = np.array([
0.1,
0.4,
0.35,
0.8])
-
print
"y_true is ",y_true
-
print
"y_scores is ",y_scores
-
print
"AUC is ",roc_auc_score(y_true, y_scores)